摘 要：介紹了幾種傳統(tǒng)的支持向量機(jī)（SVM）多分類方法，分析了其存在的問題及缺點(diǎn)。提出了一種基于二叉決策樹的SVM多分類方法，該方法具有簡單、直觀，訓(xùn)練樣本少的特點(diǎn)。通過將其應(yīng)用于提升機(jī)運(yùn)行狀態(tài)的故障診斷，結(jié)果表明，采用該方法比傳統(tǒng)多類SVM方法和BP神經(jīng)網(wǎng)絡(luò)具有更高的診斷正確率。 關(guān)鍵詞：支持向量機(jī);故障診斷;二叉決策樹;礦井提升機(jī) [b][align=center]Mine Hoist Fault Diagnosis Based on SVM-Binary Decision Tree Method ZHANG Lei, XIA Shi-Xiong, NIU Qiang[/align][/b] Abstract: The problems and defections of the existing methods of SVM multi-class classification were analyzed. A multi-class classification base on binary decision tree was put forward, which is simple and has little duplicating training samples. The application to fault diagnosis for mine hoist fault diagnosis shows that it has higher diagnosis accuracy than traditional SVM multi-class method and BP neural network method. Keywords: support vector machine; fault diagnosis; binary decision tree; mine hoist 1 引 言 　　在故障診斷領(lǐng)域中，當(dāng)今所面臨的主要難題之一是故障特征知識的發(fā)現(xiàn)問題，其中對故障模式進(jìn)行分類則是診斷過程的核心所在。目前常規(guī)的故障診斷方法大都依賴于大樣本情況下的統(tǒng)計(jì)特性，當(dāng)訓(xùn)練樣本有限時，難以保證有較好的分類推廣性。而統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory，SLT）和支持向量機(jī)（Support Vector Machines，SVM） 的誕生為這一問題的解決開辟了新的途徑。統(tǒng)計(jì)學(xué)習(xí)理論是建立在結(jié)構(gòu)風(fēng)險最小化的原則基礎(chǔ)上，它是專門針對小樣本情況下機(jī)器學(xué)習(xí)問題建立的一套新的理論體系，在這種體系下的統(tǒng)計(jì)推理，不是要得到樣本數(shù)趨于無窮大時的最優(yōu)解，而是追求在現(xiàn)有有限樣本的情況下的最優(yōu)解，是兼顧到經(jīng)驗(yàn)風(fēng)險和置信范圍的一種折衷的思想。支持向量機(jī)就是在統(tǒng)計(jì)學(xué)習(xí)理論這一基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)算法，它是SLT理論的具體應(yīng)用。 　　本文提出一種基于二叉決策樹的SVM多分類方法，并對提升機(jī)系統(tǒng)進(jìn)行故障診斷，與BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的多類SVM算法做了對比，實(shí)驗(yàn)證明，該方法對具有小樣本的礦井提升機(jī)故障診斷不僅具有很好的分類能力，而且具有很好的適應(yīng)性和計(jì)算效率。 2 相關(guān)工作 　　隨著提升機(jī)運(yùn)行自動化程度和可靠性要求的提高，對其故障診斷技術(shù)的研究具有重要的積極意義。對于提升機(jī)系統(tǒng)的故障診斷，已有的研究成果主要集中在基于人工神經(jīng)網(wǎng)絡(luò)方法和傳統(tǒng)的多類支持向量機(jī)方法。 　　文獻(xiàn)研究了利用人工神經(jīng)網(wǎng)絡(luò)對提升機(jī)制動系統(tǒng)進(jìn)行安全監(jiān)測和故障診斷。人工神經(jīng)網(wǎng)絡(luò)實(shí)際上是利用梯度下降調(diào)節(jié)權(quán)值，使目標(biāo)函數(shù)達(dá)到極小，導(dǎo)致了神經(jīng)網(wǎng)絡(luò)過分強(qiáng)調(diào)克服學(xué)習(xí)錯誤而泛化性能不強(qiáng)，同時神經(jīng)網(wǎng)絡(luò)還有一些難以克服的缺陷，如隱層隱層單元數(shù)目難以確定，網(wǎng)絡(luò)最終權(quán)值受初始值影響較大等。神經(jīng)網(wǎng)絡(luò)分類器通常面臨如何從有限的故障樣本中得到具有較大推廣能力的決策函數(shù)的問題。 詳情請點(diǎn)擊：基于SVM二叉決策樹方法的礦井提升機(jī)故障診斷